Laut Zahlen der Vereinten Nationen lebt knapp ein Drittel der weltweiten urbanen Bevölkerung in Slums. Durch zunehmende Verstädterung wird sich die Zahl in Zukunft drastisch erhöhen, 2030 könnten bis zu 2 Milliarden Menschen in Slums leben.Am Beispiel von Brasilien, in dem Favelas ein bedeutendes stadtpolitisches Thema sind, wird in dieser Masterarbeit untersucht, ob es möglich ist mittels maschineller Lernverfahren und Textur Parametern Favelas auf Satellitenbildern zu erfassen. Die weiteren Forschungsschwerpunkte dieser Arbeit befassen sich mit dem Einfluss der Kernelgröße auf die Genauigkeit und ferner dem Einfluss unterschiedlicher Sensoren und der Morphologie der Untersuchungsgebiete Rio de Janeiro und Sao Paulo auf die Klassifikationsergebnisse. Der Klassifikationsansatz verwendet dabei den Random Forest Classifier und aus Sentinel 2, CBERS 2B HRC als auch Orbview 3 abgeleitete Textur Parameter nach Haralick.Die Ergebnisse zeigen, dass sowohl Favelas mit einer charakteristischen Slum Morphologie, als auch Unterschiede in der Morphologie der unterschiedlichen Siedlungsstrukturen der Untersuchungsgebiete erfasst werden könne. Jedoch stellt die hohe Diversität an unterschiedlichen Favelas und häufig auftretende Mischformen zwischen regulären Siedlungsformen und Favelas eine Herausforderung sowohl für die Klassifikation, als auch für eine objektive Auswertung der Ergebnisse dar. Die Arbeit zeigt darüber hinaus, dass die Klassifikationsgenauigkeiten mit zunehmender Kernelgröße steigen, was auf einen Glättungseffekt zurückzuführen ist. Signifikante Unterschiede in Abhängigkeit von der Stadt und dem Sensor unterstreichen außerdem, dass es wichtig ist, Sensoren zu wählen, die die Morphologie einer Stadt in für den Klassifikationsansatz ausreichender Form darstellen können. ; According to the United Nations, almost a third of the world's urban population lives in slums. As a result of increasing urbanization, the number will increase significantly in the future. Up to 2 billion people may live in slums in 2030.With a total number of 11 million dwellers, Favelas are a major urban policy issue in Brazil. Therefore, this thesis investigates, whether it is possible to detect Favelas in Brazil using machine learning and texture parameters. Further research issues focus on the influence of the kernel size on the accuracy. Moreover, investigations analyze the influence of different sensors and the morphology of the areas of interest Rio de Janeiro and Sao Paulo on the classification results. The classification approach uses Random Forest Classifier and Haralicks texture parameter calculated from Sentinel 2, CBERS 2B HRC and Orbview 3 data. The results show that the approach is capable to detect favelas with a characteristic slum morphology as well as to map differences in morphology of different settlement forms. However, the high diversity of different favelas types and frequently occurring mixed forms between regular settlements and favelas represent a challenge. They lower both, the classification accuracies as well the explanatory power of the results. The work also shows that the classification accuracies increase with increasing kernel size due to a smoothing effect. Significant differences depending on the city and the sensor also underline that it is important to select sensors that can represent the morphology of a city in sufficient form for the classification approach. ; Arbeit an der Bibliothek noch nicht eingelangt - Daten nicht geprüft ; Abweichender Titel laut Übersetzung des Verfassers/der Verfasserin ; Karl-Franzens-Universität Graz, Masterarbeit, 2017 ; (VLID)2304928